計画の立案、ツールの起動、および限られた人的監督の下でワークフローの一部を完了することができる人工知能の一種である「エージェント型AIシステム」は、ガバナンスの取り組みがその進展に追いつくのに苦労しているにもかかわらず、企業全体で実験段階から実運用へと移行しつつあります。
エージェントが実行できることと、企業の管理体制がカバーしていることとの間のギャップは、ますます広がっています。 かつては人間の確認のために推奨事項を表示していたエージェントが、現在では承認を待たずにワークフローを開始し、設定を変更し、他のエージェントにコンテキストを引き継ぐようになりました。 ITチームは、こうした機能をデフォルトのプラットフォーム機能として引き継ぐケースが増えており、多くの場合、ガバナンス方針がそれに追いつく前にそうなっています。
本ガイドでは、ITおよびセキュリティの実務担当者が、自組織の現在のガバナンス体制と照らし合わせて評価できる、具体的な機能の変化、フレームワークの変更、および規制上の重要な節目について解説しています。
なぜ自律型AIは、企業のガバナンスが追いつけないほど急速に進化しているのでしょうか
エージェント型AI（ ）とは、人間の介入を最小限に抑えつつ、目標を達成するために自律的に計画を立て、意思決定を行い、行動を起こすことができるAIシステムを指します。 プロンプトに応じて動作する従来のAIとは異なり、エージェント型システムは複雑な目標を細分化し、外部ツールを活用し、結果に基づいてアプローチを適応させます。
現在、実運用環境の多くは、推論の中核として大規模言語モデル（LLM）を基盤とし、ツールの使用、メモリ管理、オーケストレーションを処理する追加のレイヤーで構成されています。
このアーキテクチャを理解することは、ガバナンスの観点から重要です。推論層、ツール層、オーケストレーション層は、それぞれ異なるリスクプロファイルを有しています。
エージェントのガバナンスにおいて、あまり議論されることはありませんが、極めて重要な要素の一つは、実行時にエージェントが依存するデータの品質と適時性です。
自律性が高まるにつれ、意思決定はもはや人間によって段階的に確認されることはなくなり、その結果、不正確なデータや古いデータが、そのまま誤った行動につながる可能性があります。 こうしたフレームワークは通常、権限管理や監査可能性に重点を置いていますが、データの最新性や完全性も同様に重要な管理措置です。
エージェント型システムが実現できることと、ほとんどの企業ガバナンスの枠組みが考慮していることとの間の隔たりは、急速に広がっています。 企業におけるAIの導入は、多くの ガバナンスプログラム が対応できるよう設計されたペースよりも速いスピードで加速しています。
マッキンゼーの「 2025年11月 」調査（ ）によると、回答者の62％が、自組織で少なくともAIエージェントの実験を行っていると答え、 23％が、企業内のどこかでエージェント型AIシステムをすでに本格的に導入していると回答しました。 同調査によると、ほとんどの組織は依然として試験運用段階にあり、3分の2近くがまだAIを全社規模で展開できていないことが明らかになりました。これが、ガバナンスプログラムが能力の進展に先んじるどころか、常に後れを取っている理由の一つとなっています。 それは、エージェントの利用が普遍的であるという意味ではありませんが、監視チームがエージェント型AIを「将来だけの問題」として扱うことはもはやできないということを意味します。
[AIエージェントの種類ごとの違い、その区別がガバナンスにおいてなぜ重要なのか、そしてエージェントの複雑さを組織の監督能力に合わせて調整する方法について学びましょう]
エージェントが、人の承認なしに調達ワークフローを開始したり、構成を変更したり、アクセス要求をエスカレーションしたりできるようになると、ガバナンスに関する課題の性質が変わってきます。 もはや、誰がどのデータにアクセスできるかという問題だけではありません。 これは、どの自律的なプロセスが、どのようなビジネスアクションを、どのような条件下でトリガーできるかという問題です。
これは、以前の世代のAIアシスタントはもちろん、それ以前に存在したチャットボットや対話型インターフェースとも大きく異なる点です。それらは、提案を表示し、人間の指示を待つように設計されていたからです。 現在の世代は行動を起こしており、ガバナンスの枠組みはその違いを反映する必要があります。
以下のセクションでは、ITおよびセキュリティチームが現在のガバナンス体制と照らし合わせて評価できる、具体的な機能の変更点、フレームワークの更新、および規制上の重要な節目について解説します。 これらすべてに共通する点は、エージェントがもはやビジネスプロセスの周辺で活動しているわけではないということです。 これらは、調達、サプライチェーン管理、セキュリティ運用、およびインフラ管理を推進する中核的なワークフローに組み込まれています。
モデルの機能更新と、自律性の拡大がITリスクに与える影響
この1年間に行われたいくつかのプラットフォームのアップデートにより、エージェントが人の手を介さずに実行できる業務の範囲が広がりました。 これらのエージェントを支える基盤となるAIモデルも、多段階推論の能力が向上しています。つまり、12ヶ月前には十分だったガバナンスの境界であっても、エージェントが現在実行可能な行動の範囲をもはや制限できなくなっている可能性があります。 AnthropicやOpenAI、その他さまざまなスタートアップが発表したモデルでは、拡張されたツール活用能力や多段階の計画立案能力が設計目標として特に強調されています。これらの能力は、企業での導入において、自律的な行動の拡大に直結するものです。
プラットフォームの面では、主要ベンダー各社が本番環境への導入のハードルを下げています。 マイクロソフトは、Copilot Studioを、タスクやビジネスプロセスを自律的に管理し、マルチエージェントのオーケストレーションに参加できるエージェントを含む、エージェントの構築および管理のためのプラットフォームとして位置づけています。 SAPは、Joule Agentsを、ビジネスプロセスを認識し、ワークフローを大規模に自動化するとともに、部門をまたぐ複雑なプロセスを調整するエージェントであると説明しています。 ガバナンス上の意味合いとしては、すべてのERPワークフローがデフォルトで完全に自律的になったということではなく、より多くのエンタープライズプラットフォームにおいて、エージェント主導のタスク実行の設定や運用が容易になりつつあるということです。
ITチームにとって、エージェントの権限範囲は、データアクセスレベルだけでなく、ワークフローレベルでも設定する必要が生じました。 のIAM設定のほとんど（ ）は、デフォルトでデータアクセス権限の範囲に限定されており、最新のID管理プラットフォームが稼働している環境であっても、ワークフローの開始や連鎖したアクションの実行を規定するポリシーが明示的に定義されることはほとんどありません。
また、エージェント主導のワークフローのライフサイクル全体にわたるエンドツーエンドのガバナンスも、新たな要件として浮上しています。 リスクは、意思決定の段階だけでなく、洞察がどのように導き出されるか、提言がどのように提示されるか、そして行動がどのように実行されるかといった過程においても生じます。 これらのフェーズをツールごとに分けてしまうシステムでは、ある決定がどのようにして環境における特定の変更につながったかを追跡することが難しくなる可能性があります。
データベースに関連するあらゆるAI機能において、ガバナンスに関する課題は一貫しています。それは、自律的な意思決定の基盤となるデータがどれほど最新のものか、その経路にはどのようなキャッシュやレプリケーションの層が存在するか、そしてその遅延が自動化されるワークフローにとって許容範囲内であるか、という点です。 これらの質問は、ベンダーに関係なく当てはまります。
各プラットフォームのアップデートにおける傾向は一貫しています。 エージェントは、助言的な役割（人間が承認すべき行動を提案する）から、現実世界での実行的な役割（定義されたパラメータの範囲内で行動を起こす）へと移行しつつあります。 この変化の一因は、 の機械学習 の進歩にあり、これによりエージェントが観察されたパターンから一般化する能力が向上しました。 これらのモデルをより有用なものにしているその機能こそが、学習分布の境界領域において、その挙動を予測しにくくしているのです。
| 能力の転換 | 例 | ガバナンスのギャップが生じました |
|---|---|---|
| ワークフローの開始 | SAPの調達担当者 | IAMポリシーは、ワークフローの権限ではなく、データアクセスに適用範囲が限定されています |
| リアルタイムのデータ照会 | Oracle AI Database | 必ずしも成り立たない可能性のあるデータの鮮度に関する仮定に基づいたエージェントの意思決定 |
| 連鎖するアクション | 多段階修復剤 | 個々の操作は記録するものの、意思決定の連鎖を捉えきれていない監査証跡 |
企業への影響：自社のIAMポリシーにおいて、データへのアクセス権限とワークフローの開始権限が区別されているかどうかを確認してください。 「承認済み」のアクセス範囲内で動作しているエージェントであっても、意図されたガバナンスの範囲外でビジネスアクションをトリガーしている可能性があります。 また、ERP、クラウド、エンドポイントのベンダーを問わず、プラットフォームプロバイダーに確認し、最近のアップデートでどのエージェント機能がデフォルトで有効化されているかを確認しておくことも重要です。機能拡張のすべてが、標準的な変更通知チャネルを通じて通知されるわけではないためです。
モデルの機能拡張が進むにつれ、次の課題は、本番環境においてエージェント同士がどのように連携するかという点になります。
エンタープライズ環境での導入に影響を与えるエージェント・フレームワークおよびオーケストレーションの変更点
複雑なワークフローのさまざまな側面を処理するために、専門化されたエージェントが連携するマルチエージェントシステムは、研究環境から実稼働のIT環境へと移行しつつあります。 これらは単なるタスクの連鎖ではありません。 これには、分岐する意思決定ロジック、条件付きエスカレーション、およびセキュリティ運用、ITサービス管理、ビジネスアプリケーションの各層を同時にまたぐシステム間のコンテキスト引き継ぎが含まれます。
初期の企業導入事例の多くでは、検知、分析、対応の各段階の間に、人による確認の工程が設けられていました。 現在変化しているのは、自動化そのものの存在ではなく、プラットフォームによって、チームが1つのワークフロー内で複数の専門エージェントを容易に連携させられるようになったという点です。 問題を検出したエージェントは、以前よりも少ないカスタマイズ作業で、調査結果やアクションを別のエージェントやツールに引き継ぎ、その後の分析や対応を行うことができるようになりました。
これにより、設定ミスのあったエージェントの影響範囲が変更されます。 エラーは、もはや1つのタスクの境界で止まることはありません。 正当なプロセスを誤って分類してしまう検出エージェントは、 の修復エージェント（ ）を起動させ、本番システムを隔離してしまう可能性があります。これらはすべて、担当者がアラートを確認する前に発生してしまいます。
多くの主要なクラウドプラットフォームでは、すでに協調型のマルチエージェント・ワークフローの利用が大幅に容易になっています。 AWSは、 のAmazon Bedrockにおけるマルチエージェント連携機能を一般提供開始しました（ 2025年3月）。続いて、本番環境向けエージェントの展開および管理を行うためのモジュール式でエンタープライズグレードのプラットフォームである のAmazon Bedrock AgentCore（）をリリースし、 2025年10月にて一般提供を開始しました。
各プロバイダーに共通する傾向として、本番環境におけるマルチエージェント導入にかかるインフラのオーバーヘッドが急速に減少しています。 こうした機能の導入が容易になるにつれ、ガバナンスツールも、権限委譲の経路、監督ロジック、可観測性、および障害対応に対応できるよう、進化し続ける必要があります。
エージェント型システムにおける人間の監視も、よりきめ細かくなってきています。 ワークフローの開始時に単純な「承認・却下」のモデルを採用するのではなく、組織では一連のアクションの中に管理ポイントを設定するケースが増えています。 これにより、チームはワークフロー全体を停止させることなく、特定の手順を確認、承認、または上書きすることができ、スピードと責任のバランスをとることができます。
LangGraph や AutoGen といったオープンソースのオーケストレーションツールを含め、こうした非同期的なハンドオフを可能にするフレームワークは、マルチエージェントシステムの導入障壁も低くしています。つまり、IT チームは、企業が承認したプラットフォーム以外で構築されたエージェントの導入に直面する可能性があるということです。 ガバナンス方針では、ベンダー管理型のエージェントシステムと社内で構築されたエージェントシステムの双方を考慮に入れる必要があります。
垂直的な専門化も加速しています。 例えば、Visa社は、決済取引全般において不正検知やリスクスコアリングに のAIモデルを採用しています（ ）。一方、医療分野に特化したプラットフォームでは、規制薬物の監視や臨床コンプライアンスなどのワークフローにAIを活用していますが、こうした分野では、汎用エージェントが確実に満たすことのできないほど、分野固有の精度要件がはるかに厳格に求められています。
IT調達の意思決定において、汎用エージェントは柔軟性を提供できるかもしれませんが、明確に定義されたユースケースにおいては、専用システムの方がより高い精度と関連性を発揮することができます。 このドメイン特化型の最適化への移行は、チームがエージェントの有効性をどのように評価すべきかという点にも影響を及ぼします。 生産準備状況を評価する際には、一般的な能力スコアよりも、定義されたタスクの範囲内でのパフォーマンスの方が、より有意義な評価基準となります。
ソフトウェアの分野以外でも、同様の傾向が見られます。 ロボットプラットフォームでは現在、動的なタスクの順序付けを処理するために、エージェント型AIレイヤーが組み込まれており、あらかじめプログラムされたルーチンから脱却し、適応的な意思決定へと進化しています。 Nvidiaのようなインフラプロバイダーは、同社のNIMマイクロサービスやAI Enterpriseプラットフォームが、エージェントワークロードの大規模な展開や実行にますます活用されるにつれ、本番環境でのこれらのシステム運用をより容易にしています。
ガバナンスチームにとって、これら2つの傾向は、考慮すべき範囲がクラウド上でホストされるエージェントにとどまらず、ハードウェアアクセラレーションが適用された環境や物理的なインフラ環境にまで及ぶことを意味します。
企業への影響：マルチエージェントワークフローを運用中、または評価中の場合は、監視ツールがエージェント間の引き継ぎを監視できるかどうかを確認してください。 多くのオブザーバビリティ・プラットフォームは、エージェント間でのシグナルのやり取りではなく、ユーザー主導のリクエストフローを想定して設計されています。
オーケストレーションの変更は、エージェント間の連携方法に影響を与えます。 次のセクションでは、エンドポイントおよびセキュリティ運用レイヤーにおいて具体的にどのような変化が生じているかについて解説します。
エンドポイント固有の動向と新たな攻撃対象領域
AIを活用した自動化が、 のエンドポイント管理 やセキュリティ運用にますます深く浸透するにつれ、従来のセキュリティツールでは監視するようには設計されていなかった形で、攻撃対象領域が拡大しています。 のエンドポイントおよびレスポンス層（）においては、最近の動向により、新たな機能と新たなリスクパターンが同時に生み出されています。
本番環境におけるエージェントのドリフト
エージェントドリフトとは、積み重なった微細な意思決定が、誰も意図せず、また明示的に承認もしていない結果へと発展する現象を指します。これは、モデルが誤った出力を生成することを指す「モデルの幻覚」とは区別されます。 ドリフトのリスクは、多くの場合、モデルの出力結果が不正確であることよりも、権限の範囲が広すぎたり、長期にわたって監視が不十分であったりした環境下でワークフローが実行されることに起因することが多いのです。 ワークフローの範囲を囲む「ガードレール」が適切に適用されていない場合、モデルは設計どおりに動作していても、意図した範囲から逸脱してしまう可能性があります。 実務担当者にとって、これにより、承認ポイント、ステップごとのログ記録、ロールバック計画、およびエージェントの適用範囲の定期的な見直しが、中核となる運用管理措置となります。
検知のギャップ： では、ログ記録や検知機能において、人間による変更、サービスアカウントのアクティビティ、およびエージェントによってトリガーされたアクションが適切に区別されているかどうかを確認してください。 そうしないと、インシデント発生時にはエージェントの動作を追跡しづらくなり、日常的な監視の際には見落としやすくなってしまう可能性があります。
[AIコンプライアンスに何が求められるのか、EUのAI法のような規制がなぜ重要性を増しているのか、そして組織がどのように拡張性のあるガバナンス体制を構築できるのかを理解しましょう]
常駐エージェントによるアクセスに起因する認証情報の拡散
こうしたシステムでは、その機能を果たすために、複数のシステムにわたる永続的な認証情報のアクセスがますます必要とされています。 エンドポイントの修復、設定の更新、サービスの再起動を行うことができる修復ツールでは、各操作ごとに認証情報が必要となります。
エージェントの権限は、多くの場合、個々のユーザーよりも広い範囲に及んでおり、また、定められた勤務時間中だけでなく、継続的に稼働しています。 さらに、エージェントはエンドポイント管理、ID管理、および業務アプリケーションシステムを接続するAPI間で頻繁に認証を行うため、1つのサービスアカウントが侵害されただけで、複数の統合レイヤーを同時に横断してしまう可能性があります。 特権アクセス管理（PAM）フレームワークの多くは、このパターンに対応するよう設計されていませんでした。
こうしたリスクは、分散した環境においてしばしば増幅されます。 エージェントが異なるデータソース、コントロールプレーン、および実行システムに依存している場合、一貫した監視とポリシーの適用を維持することが困難になります。 より統一されたデータおよび実行モデルを採用することで、意思決定、実行、監視のすべてが同一の「真実の源」に基づいて行われるよう保証し、こうした盲点を減らすことができます。
システム間のデータアクセス
意思決定の参考とするために複数のデータソースからデータを照会するエージェントは、可視性の確保を困難にするような方法でデータ環境を横断しています。 1つのエージェントによるクエリでは、エンドポイントのテレメトリ、ID管理システム、ビジネスインテリジェンスプラットフォーム、およびビジネスアプリケーションのデータにアクセスする場合があります。
エージェントはこれらの情報源にわたってクエリを自律的に連鎖させることができるため、意思決定に至るまでにアクセスされた情報の全容は、どの単一のシステムのアクセスログにも反映されていない可能性があります。 アプリケーションごとの可視化を目的として設計された従来のデータアクセスログでは、エージェントが意思決定に至るまでにどのようなデータにアクセスしたかという全体像を捉えきれない可能性があります。
エンドポイントにおけるAIツールの乱立
認証情報の乱立やデータアクセスに比べてあまり注目されていないガバナンス上の課題は、より単純かつ差し迫ったものです。すなわち、ほとんどの組織では、エンドポイント環境全体で既に稼働しているAIツールについて、 のような正確なインベントリ を把握できていないのです。 ローカルの大規模言語モデル、MCPサーバー、AIモデルファイル、およびサードパーティ製のAIアプリケーション は、IT部門やセキュリティチームがそれらを把握する前に、エンドポイント上でインストールされ、実行されている可能性があります。 そのインベントリがなければ、ガバナンス方針を適用する対象がなくなってしまいます。
これは将来的なリスクではありません。 開発者やパワーユーザー層においてAIツールが普及するにつれ、エンドポイントにおけるAIの攻撃対象領域は、承認された導入とは無関係に拡大しています。 承認済みのエージェントのパイプラインのみに焦点を当てたガバナンスプログラムでは、それと並行して動作する未承認のAIによって生じるリスクを見逃してしまうことになります。
企業への影響：AIツールの乱立と認証情報の乱立は、互いに悪影響を及ぼし合っています。 SIEMの検知ルールが、ユーザーアカウントと同様に厳格にエージェントのサービスアカウントをカバーしているかどうか、また、エンドポイントのインベントリが従来のソフトウェアに加え、AI特有のアートファクトも現在把握できているかどうかを検証してください。 エージェントによる設定変更がアラートを発生させていない場合は、検知の抜けがあります。
自律型AIの導入を左右する規制および規格の最新動向
規制の枠組みが、自律型AIの能力に追いつきつつあり、規制の施行段階が始まっています。
EUのAI法の施行における重要な節目
欧州連合（EU）のAI法におけるリスクベースの規制枠組み は、重要インフラや雇用など、同法の適用対象となる分野で使用されるAIシステムに適用される可能性がありますが、そのタイミングが重要です。 同法は 2024年に施行され、一部の規定は 2025年から適用が開始されました。 ハイリスクAIシステムについては、企業のガバナンスに最も関連性の高い導入者およびログ記録に関する義務が、現在、 2026年8月2日より適用される予定となっております。
2026年5月7日において、EUの立法者は「デジタル・オムニバス」について政治的な合意に達しました。これには、附属書IIIに掲げられた新規または大幅に変更された高リスクAIシステムについて、16か月の適用延期が含まれています。 正式な養子縁組の手続きは、まだ完了していません。 法律が制定されるまでは、各組織は 2026年8月 を計画策定の期限として扱い、デジタル・オムニバス法案の進捗状況を注視し、最新情報を確認する必要があります。
対象となる高リスクな利用事例で活動しているチームにとって、より的確な当面の教訓は次の通りです：
- ログの記録と保存： システムがログを生成できること、および導入担当者が所定の期間、自身の管理下でログを保存できることを確保してください。
- 人的監督： 責任者を指定し、使用中の監督の実施方法を明確に定めてください
- ユースケースおよびリスクの確認： 本番運用を開始する前に、その導入が高リスクのカテゴリーに該当するか、および追加の義務が適用されるかどうかを確認してください。
自律システムに関するNIST AI RMFの更新
米国国立標準技術研究所（NIST）のAIリスク管理フレームワークは、多くの組織がAIガバナンスの指針として採用している主要な自主的枠組みであり続けています。 NISTは、「AI RMFプレイブック」や生成AIプロファイルといった資料を通じてガイダンスを拡充しており、実稼働環境におけるAIシステムの挙動にますます重点を置いています。
エージェント型システムを導入しているチームにとって、実務上の変化は継続的な監視へと向かっています。 ガバナンスとは、単に導入前のテストを行うことだけではありません。 エージェントの挙動、どのようなデータに基づいて判断しているか、そして決定が時間の経過とともにどのように行動に反映されるかについて、継続的な監視が必要となります。
これには、エージェントの意思決定の根拠となるデータソースやパイプラインを文書化することが含まれます。特に、エージェントが静的なデータセットではなく、稼働中のシステムに対してクエリを実行するような環境においては、その重要性がさらに高まります。
NISTを基準としている組織においては、重点が「導入前のテスト」から「導入後の監視と検証」へと移行します。
企業への影響：導入により影響の大きい操作が自動化される場合は、今すぐロールバック手順、承認ポイント、およびエスカレーション手順を文書化してください。 規制において「デプロイメント・リング」が明示的に義務付けられていない場合でも、制御されたロールバックは運用上の重要な安全対策であり、監査可能性を確保するための重要な要素となります。
自社のガバナンス体制が時代の変化に対応できているかどうかを評価する方法
上記の動向を踏まえ、ITおよびセキュリティチームは、具体的な基準に基づいて自組織の現在のガバナンス体制を評価することができます。
| 評価基準 | 診断に関する質問 | 対処しない場合のリスク |
|---|---|---|
| 意思決定データの鮮度 | そのデータは、ワークフローの遅延やずれに対する許容範囲の観点から見て、十分に最新のものですか？ | エージェントは、もはや存在しない、あるいはもはや重要ではない条件に基づいて行動する場合があります |
| ガバナンス管理 | エージェントの承認範囲は文書化されており、ポリシーによって強制されていますか？ | 意図された範囲外での制御不能な自律的行動 |
| 段階的な導入 | 貴社の導入環境では、段階的な展開、ロールバック手順、および定義された進行基準に対応していますか？ | 大規模な未検証の変更による広範囲にわたる障害 |
| 統合 | エージェントは、既存のSIEM、ITSM、およびエンドポイントツールとコンテキストを共有することは可能でしょうか？ | 盲点を生み出すサイロ化された自動化 |
| 監査可能性と追跡可能性 | そのエージェントがどのような動作を行い、どのようなツールやデータを使用し、どのような承認やチェックポイントが関与していたかを、再現していただけますか？ | コンプライアンス上の不備、インシデントの再構築が不十分であること、およびオペレーターへの信頼が低いこと |
組織がこれらの基準を評価するにつれ、ガバナンスがもはや静的なポリシーの定義にとどまらないことが明らかになってきています。 それは、実行時に意思決定がどのように行われるか、システム間でアクションがどのように実行されるか、そして結果がどのように監視・検証されるかによって異なります。
[脅威の迅速な検知・防止から、攻撃者が同じ機能を利用した際に生じるリスクに至るまで、AIがサイバーセキュリティをどのように変革しているかをご覧ください]
各基準を検討する前に、現在のエージェント展開状況に関する基準値を確立してください。具体的には、アクティブなエージェントサービスアカウントの数、付与されているワークフローレベルの権限の数、および過去 30 日間にエージェントによって行われた設定変更の件数です。 こうした基準がなければ、以下の評価基準に基づいて行動を起こすことは困難です：
- 意思決定データの鮮度： 重要な考慮点は、エージェントの意思決定に用いられるデータが、実行されるアクションに対して十分に最新のものかどうかということです。 変化の激しい環境では、データ収集とエージェントの実行の間にわずかな遅延が生じただけでも、特に人間がリアルタイムで決定内容をレビューしていない場合、誤った、あるいは不必要な是正措置が講じられる可能性があります。 データの更新からエージェントのアクションに至るまでの実際の遅延を確認することは、多くのチームがまだ実施していない具体的な対策です。
- ガバナンス上の統制と人的監視： 実際の問題は、承認の境界が存在するかどうかというだけでなく、実行の段階でそれが一貫して適用されているかどうかにあります。 多くの組織では、ワークフローが開始された後、エージェントの行動を完全に制限できない、非公式な、あるいは部分的にしか導入されていない承認モデルを採用しています。
- 統合： 統合における課題は、多くの場合、接続性というよりも一貫性に関するものです。 エージェントのワークフローに複数のシステムが関与している場合、データモデル、アクセス制御、およびログ記録の違いにより、可視性に不備が生じ、意思決定がどのようにアクションにつながるかを追跡することが困難になる可能性があります。
- 段階的な展開と段階的な導入： エージェントが変更を直接実行し始めるにつれ、導入戦略はガバナンスの一部となります。 段階的な導入、段階的な実行、および文書化された進捗基準は、誤った決定による影響範囲を限定する安全対策として機能します。 このモデルにおいて、ロールアウトの設計は、運用上の課題であるだけでなく、ガバナンスの仕組みでもあります。
どのプラットフォームにおいても検討すべき点の一つは、ロールバックに人の手による開始が必要なのか、それとも実行時の検証に失敗した場合にシステムが自動的にロールバックをトリガーできるのかという点です。 障害発生時の自動ロールバックは、質的に異なるガバナンス上の統制手段です。 これにより、アクションの失敗と人間の対応との間のタイムラグが解消されます。これは、エージェントが高速かつ大規模に変更を実行している環境において、最も重要な要素となります。
[自律型AIの管理にはアクセス制御以上の対策が必要な理由と、自律システムの無秩序な拡大がリスクとなる前に、いかにして説明責任を組み込むかについて探ります]
また、一部のプラットフォームでは、レコメンデーションや自動化されたアクションに連動した信頼度指標の導入も始まっています。 これらのシグナルは、チームが、完全に自動化された実行を許可すべきか、それとも追加の人手による確認が必要かを見極めるのに役立ちます。 まだ標準化されてはいませんが、信頼度に基づく制御は、エージェントの挙動をより予測可能かつ監査可能にする手段として台頭しつつあります。
ITおよびセキュリティチームが今後 90 日間で優先すべきこと
本ガイドで取り上げた動向を踏まえ、ITおよびセキュリティチームが近い将来に講じることができる具体的な対策を以下に示します。 これら7つの取り組みは戦術的なものですが、より広範なAI戦略の見直しにも活かすべきものです。
- IAMポリシーに基づいて、監査エージェントの権限範囲を確認します。 自律型ERPおよびエンドポイントエージェントによって現在必要とされるワークフローレベルの権限を確認してください。 IAMの設定のほとんどは、データへのアクセスに限定されており、ワークフローの開始には適用されません。
- エージェントのサービスアカウントに関するSIEM検出ルールを確認してください。 検出ルールがユーザーアカウントに限定されている場合、エージェントによる設定変更ではアラートが発生しない可能性があります。
- 影響の大きいエージェントのワークフローについて、文書のロールバック手順、承認ポイント、およびエスカレーション手順を文書化してください。 規制要件の有無にかかわらず、管理されたロールアウトおよびロールバックは、運用上の重要な安全対策であり、EU AI法の「高リスク」規定の対象となる導入においては、これらの措置が、同法で義務付けられている監査可能性に関する文書化を直接的に支えるものとなります。
- エージェント間の引き継ぎに関する監視範囲を評価してください。 マルチエージェントのワークフローを実行している場合は、可観測性ツールがエージェント間のコンテキストの受け渡しを追跡できるかどうかを確認してください。
- エージェントの意思決定におけるデータの鮮度に関する前提条件を確認してください。 エンドポイントやシステムの状態に基づいて自律的な判断を行うエージェントについては、そのデータが実際にどれほど最新のものかを確認してください。
- インサイトからアクションへのワークフローが、どのツール間でまたがっているかを特定します。 発見、意思決定、実行の各段階に複数のシステムが関与している場合は、それらの移行がどのように管理、記録、監視されているかを確認してください。
- エージェントのIDとサービスアカウントを一覧表示します。 どのエージェントが、どのツールを、どの認証情報を使用して、どのような承認またはRBACの制限の下で呼び出すことができるかを文書化してください。 これは、アクセス範囲が広すぎる問題を、ガバナンス上の問題に発展する前に早期に発見するための、最も迅速な方法であることが多いのです。
[エンドポイント上で自律型AIによる脅威がどのように現れるのか、また本番環境で自律型エージェントを展開する前にセキュリティチームがどのような対策を講じる必要があるのかをご確認ください]
貴組織のAIガバナンスに関する文書が、エージェント機能（agentic capabilities）がプラットフォームのデフォルト階層に組み込まれる以前に作成されたものである場合、ワークフローレベルの権限、マルチエージェント間の引き継ぎ、あるいはEU AI法における文書化要件などが考慮されていない可能性が高いでしょう。これらはすべて、もはや将来的な検討事項ではなく、現在直面している運用上の課題となっています。
これらの課題を総合的に見ると、より広範な課題が浮き彫りになります。すなわち、ガバナンスはもはや単なる政策上の取り組みにとどまらないということです。 これには、正確かつ最新のデータ、管理されたワークフローの中でそのデータに基づいて行動する能力、そして環境全体において自律システムがリアルタイムで何を行っているかを把握するための可視性が不可欠です。
Taniumがエージェント型AIガバナンスをどのように支援するか
の「Tanium Autonomous IT Platform」（ ）は、ITおよびセキュリティ運用向けにリアルタイムのエンドポイントインテリジェンスとガバナンスに基づく実行機能を提供し、AI支援型およびエージェント型ワークフローの基盤となるデータ層と制御層を実現します。
この基盤は、リアルタイムのエンドポイントインテリジェンスと、Taniumの特許取得済み「リニア・チェーン・アーキテクチャ」を組み合わせたもので、信頼度およびリスクスコアリング、段階的なリングベースの展開、そして深い統合機能を備えています。 その基盤に加え、Taniumは自然言語によるクエリ機能、人間が介入する制御を備えたエージェント型ワークフロー、および自律的な活動の集中管理機能を追加しています。
自律型オペレーティングシステム「Tanium Atlas」は、その基盤を統合し、インテリジェンス、ガイダンス、アクションが同一のワークフロー内で機能する、一元的に管理された体験を実現します。 エージェント型AIのエコシステムが進化し続ける中、Taniumはこの基盤を拡充しており、システムの自律性が高まるにつれて、組織が可視性を維持し、ガバナンスを徹底し、自信を持って行動できるよう支援しています。
ITおよびセキュリティ運用におけるエージェント型AIの有効性は、モデルの高度さよりも、定義された制約の範囲内で、洞察から行動へとどれほど確信を持って移行できるかにかかっています。 リアルタイムデータ、管理された実行、および観測可能な成果を単一のワークフローで結びつけるシステムは、安全かつスケーラブルな自動化を支援する上で、より適しています。
- リアルタイムのエンドポイントインテリジェンスにより、チームは現在のデバイス状態に基づいてAIを活用した意思決定を行うことができます。 Tanium Ask は、自然言語による対話を通じて洞察を引き出し、調査を支援します。 さらに、 の「Tanium Ask Agent」（ ）は、データ検出やソフトウェア管理などにおいて、自動化と人間の介入を組み合わせたワークフローをサポートすることで、その機能を実際の運用へと展開します。
- 繊細な操作には、ヒューマン・イン・ザ・ループ制御が組み込まれています。 Tanium Ask Agent は、エージェントによるワークフロー全体を通じて人間の監視を維持し、エンドポイントや Tanium の設定に直接影響を与えるアクションを実行する前に確認を求めます。 管理者は、変更内容を監視・承認・元に戻すことができ、プラットフォームがチームに代わって行う操作をチームが管理できるようにします。
- 信頼度スコアリングにより、自動化された変更の段階的な導入が可能になります。 の信頼性スコアを活用した段階的な展開（ ）により、組織は変更を段階的に実施し、全面的な実行に先立って潜在的な影響を評価するための仕組みを得ることができます。
- 自律的なアクティビティを一元的に監視することで、統一されたガバナンス層が実現されます。 Tanium Action Oversight は、プラットフォーム全体における自律的なアクティビティの現在の状態について、継続的なシステムレポートと可視性を提供します。 個々のモジュールのログやその場限りの監視に頼るのではなく、すべてのシステムがこの一元化されたガバナンスコンポーネントに連携されており、ITチームやセキュリティチームは、プラットフォームが自律的にどのような動作を行っているか、その範囲はどの程度か、どのような条件下で行われているかについて、統一された全体像を把握することができます。
- プレイブックベースのオーケストレーションは、管理された反復可能なワークフローをサポートします。 Tanium Automate を利用することで、チームは、パッチ適用、脆弱性の修正、アプリケーションのデプロイといった一般的なタスクを自動化するために、コードをほとんど、あるいはまったく使用せずに、アクションを論理的で反復可能なシーケンスとして連結したプレイブックを作成することができます。 段階的な展開と、ワークフローに組み込まれたユーザーによる監視機能により、チームはエラーによる影響を最小限に抑え、本番環境全体での自動化の拡大を適切に管理することができます。
- 積極的な脆弱性管理は、自動化された環境における下流のリスクを低減するのに役立ちます。 Tanium Guardian は、ゼロデイ脆弱性を含む新たな問題をチームに自動的に通知し、運用担当者への推奨措置を提供します。 ガーディアンのコンテンツおよび分析情報は、Taniumが主導する、Taniumのセキュリティ専門家、業界パートナー、および顧客による共同プロジェクトである「Taniumの脆弱性緊急対応チーム（VERT）」によって作成されています。
- IT運用とセキュリティ運用を統合することで、監視の死角を減らすことができます。 Tanium Threat Response は、エンドポイントのアクティビティをリアルタイムで監視し、脅威ハンティングをサポートするとともに、Tanium Signals を活用して継続的な検知とアラート発信を行います。 調査と対応が同じプラットフォーム上で実行されるため、チームはコンテキストやツールを切り替えることなく、検知ルールを構築・調整することができます。
このアプローチは、データ層と実行層の両方でガバナンスに取り組むことによる運用上の利点を反映しています。 リアルタイムのデータ収集、ガバナンスに則ったワークフローの実行、監査証跡の生成、および統合的な検知を網羅するエンドツーエンドのアプローチこそが、エージェント型AIの拡大に合わせて拡張可能なガバナンス・フレームワークと、エージェントの機能拡大に伴い新たな死角を生み出してしまうフレームワークとを区別する要素です。
エージェントがエンドポイントの現在の状態に基づいて動作し、監査可能なワークフローの範囲内で運用され、統合された検知機能を通じてアラートを発動する場合、エージェント型AIのリスク要因となる監視の死角は、当然のものとして受け入れられるのではなく、対処可能なものとなります。
エージェント型AIがエンドポイント環境へと拡大するにつれ、可視性に関する課題は、アプリケーションの一覧から、実行時の動作、ローカルモデル、および組み込みエージェントフレームワークへと移行しています。 この動画では、そうしたリスクがどのように顕在化するのか、またチームがTaniumを活用してそれらを分類・監視していくにはどうすればよいかについて、実践的な視点から解説しています。
能動型AIの進展に関するよくある質問
「エージェント型AI」とは具体的に何を指すのか、またそれが周囲の環境にどのような影響を与えるのか、まだ整理中でしょうか？ 機能の進化やガバナンスへの期待が高まる中、現在チームから寄せられている最も一般的な質問について、これらの簡潔な回答で解説しています。 これらを活用して、何が変化しているのか、それがリスク態勢にどのような意味を持つのか、そして次にどこに注力すべきかを明確にしてください。
エージェント型AIの最新動向はどのようなものでしょうか？
エージェント型AIは、チャット形式のアシスタントという枠を超え、計画を立て、ツールを活用し、多段階のワークフローを完了できるシステムへと進化しています。 SAP、マイクロソフト、AWS、オラクルなどの企業が最近発表した新製品を見ると、企業はエージェントの構築や連携を行うための既製ソリューションの選択肢が増えていることがわかりますが、ほとんどの組織では、その導入拡大はまだ初期段階にあります。
なぜ、これほど多くの能動型AIの取り組みが実運用段階で失敗しているのでしょうか？
多くの失敗は、ガバナンス上のギャップに起因しています。つまり、チームが、データの鮮度に関する期待値、承認の範囲、ID管理、および可観測性を、本番環境において自律型ワークフローが実際に実現できることとまだ整合させていないのです。 マッキンゼーの「 2025年11月 」調査（ ）によると、回答者の3分の2近くが、自社ではまだ全社規模でのAIの導入拡大に着手していないと回答しており、これが、エージェントに対する期待感が、運用上の成熟度を依然として上回っている理由の一つとなっています。
主体性を持つAIのアップデートは、意思決定プロセスにどのような影響を与えるのでしょうか？
最近のプラットフォームの更新により、エージェントの役割は「助言」から「実行」へと移行しました。つまり、エージェントは人間の承認を待つことなく、ワークフローを開始したり、設定を変更したりできるようになったということです。 これにより、意思決定の仕組みが「エージェントが提案し、人間が承認する」という形から、「エージェントが定義されたパラメータの範囲内で行動する」という形へと変わります。 ITチームにとって、これは、ガバナンスにおいて、データへのアクセス制御だけでなく、ワークフローレベルの権限も考慮に入れる必要があることを意味します。また、監視ツールは、ユーザーが実行したアクションと同様に、エージェントが実行したアクションも厳格に把握する必要があります。
能動型AIには未来があるのでしょうか？
Agentic AI adoption is accelerating, with nearly 70% of enterprises in Team8's 2025 CISO Village Survey, a community of security leaders at large enterprises, reporting AI agents already in production. この数値は、平均的な組織というよりは、最先端の導入企業を反映しているものと思われます。 マッキンゼーの「 2025年11月 」調査 によると、ほとんどの企業はまだ初期段階にあることが明らかになりました。 これらのデータを総合すると、導入状況にはばらつきがあるものの、市場のトップ層では急速に進んでいることが示唆されます。
この技術の将来は、ガバナンスの枠組みがエージェントの能力に追いつけるかどうかにかかっています。 その目標を達成できる組織とは、ガバナンスを単なる政策上の取り組みではなく、運用上の規律として捉え、エージェントの配備、監視、および制約の仕組みに最初から組み込んでいる組織です。
ChatGPTのような ツールによって、多くの組織がAI生成コンテンツ に触れるようになりましたが、エージェント型システムは根本的に異なるカテゴリーに属します。これらは単に問い合わせに応答するだけでなく、自ら行動を起こすものであり、その違いこそが、ガバナンスを極めて重要にしているのです。
可視性のギャップに早期に対処したチームは、主体性を持つAIの導入を自信を持って拡大できる立場に立つでしょう。 そうしない組織は、より明確な境界設定と、より優れたエンドポイント情報があれば防げたはずのインシデントに対処することになってしまいます。
ガバナンスはもはや単なるポリシー策定作業にとどまりません。正確かつ最新のデータの確保、管理されたワークフロー内での実行能力、そして自律型システムがリアルタイムでどのような動作を行っているかを把握するための可視性が不可欠です。
今すぐ無料のカスタマイズされたデモをご請求ください 。Taniumがエージェント型AIのガバナンスをどのようにサポートしているかをご確認ください。 当社のポッドキャスト「 」をお聴きいただき、 、LinkedIn 、および各種ソーシャルメディアでTaniumをフォローして、エージェント型AIガバナンス、エンドポイントセキュリティ、およびエンタープライズITの動向に関する最新情報をご確認ください。
